GLM-5.2 від Zhipu AI: китайська open-source модель з контекстом у 1 млн токенів та архітектурою для агентних завдань
Китайський стартап Zhipu AI представив свою нову флагманську мовну модель — GLM-5.2. Це рішення з відкритим вихідним кодом, яке одразу привернуло увагу ринку завдяки контекстному вікну в 1 мільйон токенів. Модель орієнтована на довгі агентні сценарії та завдання програмування, що робить її серйозним інструментом для розробників і дослідників.
GLM-5.2 поширюється під ліцензією MIT і підтримує локальне розгортання. Розмір моделі становить 753 мільярди параметрів. Розробка призначена для генерації тексту англійською та китайською мовами, що підтверджується її карткою на Hugging Face.
Архітектурні інновації та продуктивність
Однією з ключових особливостей GLM-5.2 є підтримка кількох рівнів «інтенсивності міркувань». Це дозволяє гнучко балансувати між якістю відповідей і затримкою, адаптуючись під конкретні завдання. В архітектуру вбудовано механізми IndexShare та оновлений шар MTP для спекулятивного декодування.
IndexShare, за заявою розробників, повторно використовує один індексатор на кожні чотири шари розрідженої уваги, що знижує кількість операцій на токен у 2,9 раза. Оновлення MTP, своєю чергою, збільшує довжину підтвердження до 20%. Ці оптимізації роблять модель ефективнішою під час роботи з великими обсягами даних.
Бенчмарки та позиціонування на ринку
У трьох ключових тестах — FrontierSWE, PostTrainBench та SWE-Marathon — GLM-5.2 випередила інші open-source моделі. У стандартних бенчмарках продуктивності програмування вона також посіла лідируючі позиції серед відкритих рішень. Це підтверджує її потенціал для автоматизації кодингу та складних агентних ланцюжків.
Для локального розгортання GLM-5.2 підтримує SGLang, vLLM, Transformers, KTransformers та Docker Model Runner. Крім того, доступні квантизації для llama.cpp, Ollama та LM Studio, що спрощує інтеграцію в різні інфраструктури.
Мій експертний коментар: GLM-5.2 — це не просто чергова open-source модель, а продуманий інструмент для роботи з довгими контекстами та агентними сценаріями. Зниження операцій на токен у 2,9 раза — це серйозний крок уперед для локального розгортання. Однак, враховуючи розмір у 753 млрд параметрів, ефективна робота потребуватиме потужного обладнання. Цікаво, як модель проявить себе в реальних проєктах, особливо в порівнянні із закритими аналогами.